PyTorch深度學(xué)習(xí)和圖神經(jīng)網(wǎng)絡(luò) 卷2 開發(fā)應(yīng)用

目錄
第　1章 圖片分類模型　1
1．1　深度神經(jīng)網(wǎng)絡(luò)起源　2
1．2　Inception系列模型　2
1．2．1　多分支結(jié)構(gòu)　2
1．2．2　全局均值池化　3
1．2．3　Inception V1模型　3
1．2．4　Inception V2模型　4
1．2．5　Inception V3模型　5
1．2．6　Inception V4模型　6
1．2．7　Inception-ResNet V2模型　6
1．3　ResNet模型　6
1．3．1　殘差連接的結(jié)構(gòu)　7
1．3．2　殘差連接的原理　8
1．4　DenseNet模型　8
1．4．1　DenseNet模型的網(wǎng)絡(luò)結(jié)構(gòu)　8
1．4．2　DenseNet模型的特點　9
1．4．3　稠密塊　9
1．5　PNASNet模型　9
1．5．1　組卷積　10
1．5．2　深度可分離卷積　11
1．5．3　空洞卷積　12
1．6　EfficientNet模型　14
1．6．1　MBConv卷積塊　15
1．6．2　DropConnect層　16
1．7　實例：使用預(yù)訓(xùn)練模型識別圖片內(nèi)容　16
1．7．1　了解torchvision庫中的預(yù)訓(xùn)練模型　16
1．7．2　代碼實現(xiàn)：下載并加載預(yù)訓(xùn)練模型　17
1．7．3　代碼實現(xiàn)：加載標簽并對輸入數(shù)據(jù)進行預(yù)處理　18
1．7．4　代碼實現(xiàn)：使用模型進行預(yù)測　19
1．7．5　代碼實現(xiàn)：預(yù)測結(jié)果可視化　20
1．8　實例：使用遷移學(xué)習(xí)識別多種鳥類　21
1．8．1　什么是遷移學(xué)習(xí)　21
1．8．2　樣本介紹：鳥類數(shù)據(jù)集CUB-200　22
1．8．3　代碼實現(xiàn)：用torch．utils．data接口封裝數(shù)據(jù)集　22
1．8．4　代碼實現(xiàn)：獲取并改造ResNet模型　27
1．8．5　代碼實現(xiàn)：微調(diào)模型最后一層　28
1．8．6　代碼實現(xiàn)：使用退化學(xué)習(xí)率對 模型進行全局微調(diào)　29
1．8．7　擴展實例：使用隨機數(shù)據(jù)增強方法訓(xùn)練模型　30
1．8．8　擴展：分類模型中常用的3種損失函數(shù)　31
1．8．9　擴展實例：樣本均衡　31
1．9　從深度卷積模型中提取視覺特征　33
1．9．1　使用鉤子函數(shù)的方式提取視覺特征　33
1．9．2　使用重組結(jié)構(gòu)的方式提取視覺特征　34
第　2章 機器視覺的高級應(yīng)用　37
2．1　基于圖片內(nèi)容的處理任務(wù)　38
2．1．1　目標檢測任務(wù)　38
2．1．2　圖片分割任務(wù)　38
2．1．3　非極大值抑制算法　39
2．1．4　Mask R-CNN模型　39
2．2　實例：使用Mask R-CNN模型進行目標檢測與語義分割　41
2．2．1　代碼實現(xiàn)：了解PyTorch中目標檢測的內(nèi)置模型　41
2．2．2　代碼實現(xiàn)：使用PyTorch中目標檢測的內(nèi)置模型　42
2．2．3　擴展實例：使用內(nèi)置的預(yù)訓(xùn)練模型進行語義分割　43
2．3　基于視頻內(nèi)容的處理任務(wù)　47
2．4　實例：用GaitSet模型分析人走路的姿態(tài)，并進行身份識別　47
2．4．1　步態(tài)識別的做法和思路　47
2．4．2　GaitSet模型　48
2．4．3　多層全流程管線　50
2．4．4　水平金字塔池化　51
2．4．5　三元損失　52
2．4．6　樣本介紹：CASIA-B數(shù)據(jù)集　53
2．4．7　代碼實現(xiàn)：用torch．utils．data接口封裝數(shù)據(jù)集　54
2．4．8　代碼實現(xiàn)：用torch．utils．data．sampler類創(chuàng)建含多標簽批次數(shù)據(jù)的采樣器　60
2．4．9　代碼實現(xiàn)：搭建 GaitSet模型　64
2．4．10　代碼實現(xiàn)：自定義三元損失類　67
2．4．11　代碼實現(xiàn)：訓(xùn)練模型并保存模型權(quán)重文件　69
2．4．12　代碼實現(xiàn)：測試模型　72
2．4．13　擴展實例：用深度卷積和最大池化 優(yōu)化模型　77
2．4．14　擴展實例：視頻采樣并提取 輪廓　78
2．4．15　步態(tài)識別模型的局限性　79
2．5　調(diào)試技巧　79
2．5．1　解決顯存過滿損失值為0問題　80
2．5．2　跟蹤PyTorch顯存并查找顯存泄露點　81
第3章　自然語言處理的相關(guān)應(yīng)用　83
3．1　BERT模型與NLP任務(wù)的發(fā)展階段　84
3．1．1　基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)階段　84
3．1．2　BERTology階段　84
3．2　NLP中的常見任務(wù)　84
3．2．1　基于文章處理的任務(wù)　85
3．2．2　基于句子處理的任務(wù)　85
3．2．3　基于句子中詞的處理任務(wù)　86
3．3　實例：訓(xùn)練中文詞向量　87
3．3．1　CBOW和Skip-Gram模型　87
3．3．2　代碼實現(xiàn)：樣本預(yù)處理并生成字典　88
3．3．3　代碼實現(xiàn)：按照Skip-Gram模型的規(guī)則制作數(shù)據(jù)集　90
3．3．4　代碼實現(xiàn)：搭建模型并進行 訓(xùn)練　92
3．3．5　夾角余弦　95
3．3．6　代碼實現(xiàn)：詞嵌入可視化　96
3．3．7　詞向量的應(yīng)用　97
3．4　常用文本處理工具　98
3．4．1　spaCy庫的介紹和安裝　98
3．4．2　與PyTorch深度結(jié)合的文本 處理庫torchtext　99
3．4．3　torchtext庫及其內(nèi)置數(shù)據(jù)集與 調(diào)用庫的安裝　99
3．4．4　torchtext庫中的內(nèi)置預(yù)訓(xùn)練詞 向量　100
3．5　實例：用TextCNN模型分析評論者是否滿意　100
3．5．1　了解用于文本分類的卷積神經(jīng)網(wǎng)絡(luò)模型——TextCNN　101
3．5．2　樣本介紹：了解電影評論 數(shù)據(jù)集IMDB　102
3．5．3　代碼實現(xiàn)：引入基礎(chǔ)庫　102
3．5．4　代碼實現(xiàn)：用torchtext加載 IMDB并拆分為數(shù)據(jù)集　103
3．5．5　代碼實現(xiàn)：加載預(yù)訓(xùn)練詞向量并進行樣本數(shù)據(jù)轉(zhuǎn)化　105
3．5．6　代碼實現(xiàn)：定義帶有Mish激活 函數(shù)的TextCNN模型　107
3．5．7　代碼實現(xiàn)：用數(shù)據(jù)集參數(shù)實例化 模型　109
3．5．8　代碼實現(xiàn)：用預(yù)訓(xùn)練詞向量 初始化模型　109
3．5．9　代碼實現(xiàn)：用Ranger優(yōu)化器訓(xùn)練模型　109
3．5．10　代碼實現(xiàn)：使用模型進行預(yù)測　112
3．6　了解Transformers庫　113
3．6．1　Transformers庫的定義　113
3．6．2　Transformers庫的安裝方法　114
3．6．3　查看Transformers庫的版本信息　115
3．6．4　Transformers庫的3層應(yīng)用 結(jié)構(gòu)　115
3．7　實例： 使用Transformers庫的管道方式完成多種NLP任務(wù)　116
3．7．1　在管道方式中指定NLP任務(wù)　116
3．7．2　代碼實現(xiàn)：完成文本分類任務(wù)　117
3．7．3　代碼實現(xiàn)：完成特征提取任務(wù)　119
3．7．4　代碼實現(xiàn)：完成完形填空任務(wù)　120
3．7．5　代碼實現(xiàn)：完成閱讀理解任務(wù)　121
3．7．6　代碼實現(xiàn)：完成摘要生成任務(wù)　123
3．7．7　預(yù)訓(xùn)練模型文件的組成及其加載時的固定文件名稱　124
3．7．8　代碼實現(xiàn)：完成實體詞識別任務(wù)　124
3．7．9　管道方式的工作原理　125
3．7．10　在管道方式中加載指定 模型　127
3．8　Transformers庫中的AutoModel類　128
3．8．1　各種AutoModel類　128
3．8．2　AutoModel類的模型加載機制　129
3．8．3　Transformers庫中更多的預(yù)訓(xùn)練 模型　130
3．9　Transformers庫中的BERTology系列模型　131
3．9．1　Transformers庫的文件結(jié)構(gòu)　131
3．9．2　查找Transformers庫中可以使用的模型　135
3．9．3　實例：用BERT模型實現(xiàn)完形填空任務(wù)　136
3．9．4　擴展實例：用 AutoModelWithMHead類 替換BertForMaskedLM類　138
3．10　Transformers庫中的詞表工具　139
3．10．1　PreTrainedTokenizer類中的 特殊詞　139
3．10．2　PreTrainedTokenizer類的 特殊詞使用　140
3．10．3　向PreTrainedTokenizer類中 添加詞　144
3．10．4　實例：用手動加載GPT-2模型 權(quán)重的方式將句子補充完整　145
3．10．5　子詞的拆分　148
3．11　BERTology系列模型　149
3．11．1　Transformer之前的主流模型　149
3．11．2　Transformer模型　151
3．11．3　BERT模型　153
3．11．4　GPT-2模型　157
3．11．5　Transformer-XL模型　157
3．11．6　XLNet模型　158
3．11．7　XLNet模型與AE模型和AR 模型間的關(guān)系　161
3．11．8　RoBERTa模型　161
3．11．9　SpanBERT模型　162
3．11．10　ELECTRA模型　162
3．11．11　T5模型　163
3．11．12　ALBERT模型　164
3．11．13　DistillBERT模型與知識蒸餾　166
3．12　實例： 用遷移學(xué)習(xí)訓(xùn)練BERT模型來對中文分類　167
3．12．1　樣本介紹　167
3．12．2　代碼實現(xiàn)：構(gòu)建數(shù)據(jù)集　168
3．12．3　代碼實現(xiàn)：構(gòu)建并加載BERT預(yù)訓(xùn)練模型　169
3．12．4　BERT模型類的內(nèi)部邏輯　170
3．12．5　代碼實現(xiàn)：用退化學(xué)習(xí)率訓(xùn)練模型　172
3．12．6　擴展：更多的中文預(yù)訓(xùn)練模型　175
3．13　實例：用R-GCN模型理解文本中的代詞　175
3．13．1　代詞數(shù)據(jù)集　175
3．13．2　R-GCN模型的原理與實現(xiàn)　176
3．13．3　將GAP數(shù)據(jù)集轉(zhuǎn)化成圖結(jié)構(gòu)數(shù)據(jù)的思路　179
3．13．4　代碼實現(xiàn)：用BERT模型提取代詞特征　181
3．13．5　代碼實現(xiàn)：用BERT模型提取 其他詞特征　183
3．13．6　用spaCy工具對句子依存 分析　185
3．13．7　代碼實現(xiàn)：使用spaCy和批次 圖方法構(gòu)建圖數(shù)據(jù)集　187
3．13．8　代碼實現(xiàn)：搭建多層R-GCN 模型　192
3．13．9　代碼實現(xiàn)：搭建神經(jīng)網(wǎng)絡(luò) 分類層　193
3．13．10　使用5折交叉驗證方法訓(xùn)練 模型　196
第4章　神經(jīng)網(wǎng)絡(luò)的可解釋性　197
4．1　了解模型解釋庫　198
4．1．1　了解Captum工具　198
4．1．2　可視化可解釋性工具Captum Insights　198
4．2　實例：用可解釋性理解數(shù)值分析神經(jīng)網(wǎng)絡(luò)模型　199
4．2．1　代碼實現(xiàn)：載入模型　199
4．2．2　代碼實現(xiàn)：用梯度積分算法分析模型的敏感屬性　200
4．2．3　代碼實現(xiàn)：用Layer Conductance方法查看單個網(wǎng)絡(luò)層中的神經(jīng)元　202
4．2．4　代碼實現(xiàn)：用Neuron Conductance方法查看每個神經(jīng)元所關(guān)注的屬性　204
4．3　實例：用可解釋性理解NLP相關(guān)的神經(jīng)網(wǎng)絡(luò)模型　205
4．3．1　詞嵌入模型的可解釋性方法　205
4．3．2　代碼實現(xiàn)：載入模型類并將其處理 過程拆開　206
4．3．3　代碼實現(xiàn)：實例化并加載模型權(quán)重，提取模型的詞嵌入層　207
4．3．4　代碼實現(xiàn)：用梯度積分算法計算模型的可解釋性　208
4．3．5　代碼實現(xiàn)：輸出模型可解釋性的可視化圖像　210
4．4　實例：用Bertviz工具可視化BERT模型權(quán)重　211
4．4．1　什么是Bertviz工具　212
4．4．2　代碼實現(xiàn)：載入BERT模型并可視化其權(quán)重　212
4．4．3　解讀BERT模型的權(quán)重可視化結(jié)果　216
4．5　實例：用可解釋性理解圖像處理相關(guān)的神經(jīng)網(wǎng)絡(luò)模型　219
4．5．1　代碼實現(xiàn)：載入模型并進行圖像分類　219
4．5．2　代碼實現(xiàn)：用4種可解釋性算法對模型進行可解釋性計算　220
4．5．3　代碼實現(xiàn)：可視化模型的4種可解釋性算法結(jié)果　221
4．6　實例：用可解釋性理解圖片分類相關(guān)的神經(jīng)網(wǎng)絡(luò)模型　222
4．6．1　了解Grad-CAM方法　223
4．6．2　代碼實現(xiàn)：加載ResNet18模型并注冊鉤子函數(shù)提取特征數(shù)據(jù)　225
4．6．3　代碼實現(xiàn)：調(diào)用模型提取中間層特征數(shù)據(jù)和輸出層權(quán)重　226
4．6．4　代碼實現(xiàn)：可視化模型的識別區(qū)域　227
第5章　識別未知分類的方法——零次 學(xué)習(xí)　229
5．1　了解零次學(xué)習(xí)　230
5．1．1　零次學(xué)習(xí)的思想與原理　230
5．1．2　與零次學(xué)習(xí)有關(guān)的常用數(shù)據(jù)集　232
5．1．3　零次學(xué)習(xí)的基本做法　233
5．1．4　直推式學(xué)習(xí)　233
5．1．5　泛化的零次學(xué)習(xí)任務(wù)　233
5．2　零次學(xué)習(xí)中的常見問題　233
5．2．1　領(lǐng)域漂移問題　234
5．2．2　原型稀疏性問題　235
5．2．3　語義間隔問題　235
5．3　帶有視覺結(jié)構(gòu)約束的VSC模型　236
5．3．1　分類模型中視覺特征的本質(zhì)　236
5．3．2　VSC模型的原理　237
5．3．3　基于視覺中心點學(xué)習(xí)的約束方法　238
5．3．4　基于倒角距離的視覺結(jié)構(gòu)約束方法　239
5．3．5　什么是對稱的倒角距離　239
5．3．6　基于二分匹配的視覺結(jié)構(gòu)約束方法　239
5．3．7　什么是指派問題與耦合矩陣　240
5．3．8　基于W距離的視覺結(jié)構(gòu)約束方法　240
5．3．9　什么是最優(yōu)傳輸　241
5．3．10　什么是最優(yōu)傳輸中的熵 正則化　242
5．4　詳解Sinkhorn 算法　244
5．4．1　Sinkhorn算法的求解轉(zhuǎn)換　244
5．4．2　Sinkhorn算法的原理　245
5．4．3　Sinkhorn算法中參數(shù)ε的 原理　246
5．4．4　舉例Sinkhorn算法過程　246
5．4．5　Sinkhorn算法中的質(zhì)量守恒　248
5．4．6　Sinkhorn算法的代碼實現(xiàn)　250
5．5　實例：使用VSC模型來識別未知類別的鳥類圖片　252
5．5．1　樣本介紹：用于ZSL任務(wù)的鳥類數(shù)據(jù)集　252
5．5．2　代碼實現(xiàn)：用遷移學(xué)習(xí)的方式獲得 訓(xùn)練數(shù)據(jù)集分類模型　253
5．5．3　使用分類模型提取圖片視覺 特征　254
5．5．4　代碼實現(xiàn)：用多層圖卷積神經(jīng) 網(wǎng)絡(luò)實現(xiàn)VSC模型　255
5．5．5　代碼實現(xiàn)：基于W距離的損失 函數(shù)　256
5．5．6　加載數(shù)據(jù)并進行訓(xùn)練　257
5．5．7　代碼實現(xiàn)：根據(jù)特征距離對圖片 進行分類　258
5．6　針對零次學(xué)習(xí)的性能分析　259
5．6．1　分析視覺特征的質(zhì)量　259
5．6．2　分析直推式學(xué)習(xí)的效果　260
5．6．3　分析直推模型的能力　261
5．6．4　分析未知類別的聚類效果　262
5．6．5　清洗測試集　263
5．6．6　利用可視化方法進行輔助分析　264
第6章　異構(gòu)圖神經(jīng)網(wǎng)絡(luò)　267
6．1　異構(gòu)圖的基礎(chǔ)知識　268
6．1．1　同構(gòu)圖與異構(gòu)圖　268
6．1．2　什么是異構(gòu)圖神經(jīng)網(wǎng)絡(luò)　268
6．1．3　二分圖　268
6．1．4　局部圖卷積　270
6．2　二分圖的實現(xiàn)方式　270
6．2．1　用NetworkX實現(xiàn)二分圖　270
6．2．2　使用DGL構(gòu)建二分圖　272
6．2．3　二分圖對象的調(diào)試技巧　275
6．3　異構(gòu)圖的實現(xiàn)方式　276
6．3．1　創(chuàng)建異構(gòu)圖　276
6．3．2　設(shè)置異構(gòu)圖的節(jié)點個數(shù)　277
6．3．3　異構(gòu)圖結(jié)構(gòu)的查看方式　278
6．3．4　異構(gòu)圖與同構(gòu)圖的相互轉(zhuǎn)化　280
6．3．5　異構(gòu)圖與同構(gòu)圖的屬性操作方式　281
6．4　隨機行走采樣　282
6．4．1　什么是隨機行走　283
6．4．2　普通隨機行走　283
6．4．3　帶停止概率的隨機行走　284
6．4．4　帶路徑概率的隨機行走　284
6．4．5　基于原圖的隨機行走　285
6．4．6　在基于異構(gòu)圖的隨機行走中設(shè)置停止概率　286
6．4．7　基于隨機行走采樣的數(shù)據(jù)處理　287
6．4．8　以隨機行走的方式對鄰居節(jié)點采樣　287
6．5　DGL庫中的塊圖結(jié)構(gòu)　289
6．5．1　設(shè)計塊圖的動機　289
6．5．2　將同構(gòu)圖轉(zhuǎn)化成塊圖　290
6．5．3　塊圖的屬性操作　290
6．5．4　將二分圖轉(zhuǎn)化成塊圖　291
6．6　實例：使用PinSAGE模型搭建推薦系統(tǒng)　292
6．6．1　準備MoiveLens數(shù)據(jù)集　292
6．6．2　代碼實現(xiàn)：用Panadas庫加載數(shù)據(jù)　293
6．6．3　Categories與category 類型　294
6．6．4　代碼實現(xiàn)：生成異構(gòu)圖　295
6．6．5　代碼實現(xiàn)：用邊分組方法拆分并保存數(shù)據(jù)集　296
6．6．6　PinSAGE模型　299
6．6．7　代碼實現(xiàn)：構(gòu)建帶有鄰居節(jié)點采樣功能的數(shù)據(jù)加載器　300
6．6．8　代碼實現(xiàn)：PinSAGE模型的采樣 過程　305
6．6．9　代碼實現(xiàn)：搭建PinSAGE模型　309
6．6．10　代碼實現(xiàn)：實例化PinSAGE模型類并進行訓(xùn)練　315
6．6．11　代碼實現(xiàn)：用PinSAGE模型為 用戶推薦電影　315
6．6．12　擴展：在PinSAGE模型中融合 更多的特征數(shù)據(jù)　317
6．7　總結(jié)　317